要使用Airflow来存储机器学习模型，可以按照以下步骤进行操作：

1. 安装Airflow：首先需要在你的机器上安装Airflow。可以使用pip命令来安装Airflow，如下所示：

pip install apache-airflow

2. 初始化Airflow数据库：运行以下命令来初始化Airflow数据库。

airflow initdb

3. 创建DAG（有向无环图）：在Airflow中，任务被组织成DAG。创建一个新的Python文件，例如model_dag.py，并在其中定义你的DAG。以下是一个简单的示例：

from airflow import DAG
from airflow.operators.bash_operator import BashOperator
from datetime import datetime

dag = DAG('model_dag', description='存储机器学习模型的DAG', schedule_interval='0 0 * * *', start_date=datetime(2022, 1, 1))

t1 = BashOperator(
    task_id='train_model',
    bash_command='python train_model.py',
    dag=dag
)

t2 = BashOperator(
    task_id='store_model',
    bash_command='python store_model.py',
    dag=dag
)

t1 >> t2

在上面的示例中，train_model.py和store_model.py是两个Python脚本，分别用于训练和存储机器学习模型。

4. 创建Python脚本：创建train_model.py和store_model.py两个Python脚本。train_model.py用于训练机器学习模型，并将训练好的模型保存到指定的位置。store_model.py用于将模型从训练位置移动到最终存储位置。

以下是一个示例train_model.py的代码：

import joblib
from sklearn.linear_model import LinearRegression

# 训练模型
X_train = [[1], [2], [3]]
y_train = [2, 4, 6]
model = LinearRegression()
model.fit(X_train, y_train)

# 保存模型
joblib.dump(model, 'trained_model.pkl')

以下是一个示例store_model.py的代码：

import shutil

# 存储模型
shutil.move('trained_model.pkl', '/path/to/final_model.pkl')

在上面的示例中，模型被训练并保存为trained_model.pkl，然后使用shutil.move将模型移动到最终存储位置/path/to/final_model.pkl。

5. 启动Airflow调度程序：运行以下命令来启动Airflow调度程序。

airflow scheduler

6. 启动Airflow Web服务器：运行以下命令来启动Airflow Web服务器。

airflow webserver

现在，你的Airflow应用程序已经设置完成，可以在Airflow的Web界面中查看和管理你的DAG。当DAG被触发时，它将按照定义的顺序运行任务，包括训练模型和存储模型。